CONTRASTE ESPACIO - TEMPORAL DE INDICADORES DE

UNIVERSIDAD POLITÉNICA DE
CARTAGENA
ESCUELA DE INGENIERÍA DE CAMINOS,
CANALES Y PUERTOS Y DE INGENIERÍA
DE MINAS
INGENIERÍA TÉCNICA DE OBRAS PÚBLICAS ESPECIALIDAD EN HIDROLOGÍA
PROYECTO FIN DE CARRERA ESPECÍFICO
CONTRASTE ESPACIO - TEMPORAL DE
INDICADORES DE INTERÉS
HIDROLÓGICO DERIVADOS DESDE
TELEDETECCIÓN
Alumna: Josefa Esparza Gil
Directora de Proyecto: Sandra G. García Galiano
Co- Director: José Ángel Martínez Pérez
Mayo de 2013
Josefa Esparza Gil
AGRADECIMIENTOS
Se agradece a mi directora de proyecto, Sandra García, su dirección para poder
llevar a cabo este proyecto, y a mi familia y amigos que me han animado a
seguir adelante en todo momento.
Una especial mención a José Ángel Martínez Pérez por su ayuda en la
realización de este trabajo, a Ángel Tudela por su compañía y apoyo en las
tareas realizadas y a Patricia Olmos por hacer más llevaderas esas mañanas en
el laboratorio.
Se agradece también la disponibilidad y uso de equipos (Servidor) financiados
por fondos públicos (Proyecto del Plan Nacional CGL-2012 HYDROCLIM).
1
PFC
2
Josefa Esparza Gil
ÍNDICE
1
2
INTRODUCCIÓN .............................................................................................................. 7
1.1
MOTIVACIÓN ............................................................................................................... 7
1.2
OBJETIVOS .................................................................................................................. 8
ANTECEDENTES ............................................................................................................... 9
2.1
CONCEPTOS BÁSICOS DE TELEDETECCIÓN SATELITAL ..................................... 9
2.1.1
JUSTIFICACIÓN DEL EMPLEO DE LA TELEDETECCIÓN .............................. 11
2.1.2
RESOLUCIONES ESPECTRALES, ESPACIALES Y TEMPORALES.................. 12
2.1.3
SENSOR MODIS................................................................................................. 14
2.1.4
SENSOR LANDSAT5™ ..................................................................................... 15
2.2
INTRODUCCIÓN A SISTEMAS DE INFORMACIÓN GEOGRÁFICA (SIG)............ 17
2.2.1
3
EL SIG GRASS .................................................................................................... 17
MATERIALES Y MÉTODOS.......................................................................................... 19
3.1
DESCRIPCIÓN DE LA CUENCA DE ESTUDIO ........................................................ 19
3.2
DESCRIPCIÓN DE LOS PRODUCTOS DE ESTUDIO DEL SENSOR MODIS ........ 21
3.2.1
MOD 09. REFLECTANCIA SUPERFICIAL ........................................................ 21
3.2.2
MOD11A1. TEMPERATURA SUPERFICIAL DE LA TIERRA (LST) Y
EMISIVIDAD. ..................................................................................................................... 22
3.2.3
MOD13. ÍNDICES DE VEGETACIÓN (NDVI Y EVI) ....................................... 22
3.2.4
MCD 43 A3. SUPERFICIE DE REFLECTANCIA BRDF / ALBEDO ................ 23
3.3
HERRAMIENTAS PARA EL TRATAMIENTO DE LA INFORMACIÓN ..................... 24
3.3.1
SOFTWARE REVERB ......................................................................................... 24
3.3.2
FORMATO HDF (HIERARCHICAL DATA FORMAT) ....................................... 25
3.3.3
SOFTWARE MRT (MODIS REPROJECTION TOOLS) .................................... 27
3.3.4
SOFTWARE SORPRESA_TOOLBOX ................................................................. 28
3.4
ETAPAS PARA EL PROCESAMIENTO DE LA INFORMACIÓN ............................... 28
3.5
CÁLCULO DE LOS ÍNDICES DE VEGETACIÓN ...................................................... 33
3.5.1
ÍNDICE DE VEGETACIÓN DIFERENCIA NORMALIZADA (NDVI) ................ 35
3.5.2
ÍNDICE DE VEGETACIÓN AJUSTADO AL SUELO (SAVI) ............................. 36
3.5.3
ÍNDICE DE VEGETACIÓN AJUSTADO AL SUELO MODIFICADO (MSAVI). 37
3.5.4
ÍNDICE DE VEGETACIÓN MEJORADO (EVI) ................................................. 40
3.5.5
ÍNDICE DE DIFERENCIA DE VEGETACIÓN (RDVI) ...................................... 40
3
PFC
3.5.6
ÍNDICE DE VEGETACIÓN DE DIFERENCIA NORMALIZADA
TRANSFORMADA (TNDVI) ............................................................................................... 41
3.6
4
EL ESPACIO LST NDVI ............................................................................................. 41
3.6.1
ÍNDICES DERIVADOS DEL ESPACIO LST-NDVI. .......................................... 43
3.6.2
OTROS PARÁMETROS DE SUPERFICIE EL ALBEDO .................................... 44
DISCUSIÓN Y RESULTADOS ..................................................................................... 47
4.1
ANÁLISIS DE LOS ESPACIOS LST-NDVI ................................................................ 47
4.2
CONTRASTE DE INDICADORES DE VEGETACION. .............................................. 49
5
CONCLUSIONES ............................................................................................................ 55
6
BIBLIOGRAFÍA............................................................................................................... 59
INDICE DE ANEXOS
ANEXO I. Triángulos LST-NDVI para Modis y Landsat...................................................... 61
ANEXO II. Evolucion historica de Precipitación media mensual...................................... 64
ANEXO III: Contraste de indicadores para la parcela de cultivo de Villa Antonia........ 66
ANEXO IV: Mapas indicadores Cuenca Hidrográfica del Segura ..................................... 70
ANEXO V: Mapas de los indicadores hidrológicos para el Campo de Cartagena........... 86
INDICE DE FIGURAS
Figura 1: Elementos del proceso de teledetección ................................................................ 9
Figura 2: Espectro electromagnético ..................................................................................... 10
Figura 3: Signaturas espectrales del suelo y la vegetación ................................................ 11
Figura 4: Longitudes de onda y bandas del sensor MODIS ............................................... 15
Figura 5: Bandas del sensor Landsat ..................................................................................... 15
Figura 6: Situación de la Cuenca del Río Segura y subcuencas. ....................................... 19
Figura 7: Imagen Landsat 5 y Modelo de Elevación Digital del Campo de Cartagena... 20
Figura 8: Zona de cultivo de Villa Antonia ............................................................................ 20
Figura 9: Aspecto del sistema Reverb ................................................................................... 25
Figura 10: Distribución de tiles ............................................................................................... 27
Figura 11: Aspecto del MRT Tools.......................................................................................... 27
Figura 12: Sorpresa Toolbox ................................................................................................... 28
Figura 13: Selección de los indicadores ................................................................................ 29
Figura 14: Aspecto de un archivo en .prm............................................................................ 31
4
Josefa Esparza Gil
Figura 15: Estructura de la base de datos bajo el SIG GRASS .......................................... 33
Figura 16: Firma espectral de la vegetación. ....................................................................... 34
Figura 17: NDVI de invierno y verano de la Cuenca del Rio Segura ................................ 36
Figura 18: SAVI de invierno y verano para la Cuenca del Río Segura ............................ 37
Figura 19: Línea de suelo ........................................................................................................ 38
Figura 20: MSAVI de invierno y verano de la Cuenca del Río Segura. ............................. 39
Figura 21: EVI para invierno y verano de la Cuenca de Río Segura................................. 40
Figura 22: Representación del Espacio LST-NDVI (Sandholt et al., 2002) ...................... 41
Figura 23: Distribución de las zonas del suelo en el espacio triangular ........................... 42
Figura 24: TVDI de otoño y verano para la Cuenca del Río Segura. ................................ 43
Figura 25: VTCI de otoño y primavera para la Cuenca del Río Segura............................ 44
Figura 26: Albedo para invierno y verano de la Cuenca del Río Segura. ......................... 45
Figura 27: LST-NDVI 20090214 .............................................................................................. 47
Figura 28: LST-DVI 20090606 ................................................................................................ 48
Figura 29: LST-NDVI 20100524 .............................................................................................. 48
Figura 30: LST-NDVI 20100727 .............................................................................................. 49
Figura 31: Correlación LST MODIS-Landsat ......................................................................... 50
Figura 32: Progresiones lineales de NDVI y TNDVI ........................................................... 51
Figura 33: Progresiones lineales de SAVI y MSAVI ............................................................. 51
Figura 34: Imágenes de Albedo del Campo de Cartagena ................................................. 52
Figura 35: Imágenes de NDVI del Campo de Cartagena.................................................... 53
Figura 36: Imágenes de EVI del Campo de Cartagena ....................................................... 53
Figura 37: Imágenes de SAVI del Campo de Cartagena .................................................... 54
INDICE DE TABLAS
Tabla 1: Resoluciones espectrales y espaciales de Landsat 5TM ............................... 16
Tabla 2: Productos seleccionados .......................................................................... 29
Tabla 3: Selección de bandas mediante MRT tool .................................................... 30
Tabla 4: Cambio de HDF a Geotiff ......................................................................... 31
Tabla 5: Rango de valores y factores de escala ....................................................... 32
Tabla 6: Fechas seleccionadas para el contraste MODIS-Landsat .............................. 33
5
PFC
RESUMEN
Se presentan aplicaciones de la teledetección en el campo de la monitorización
del estado de la vegetación en la Cuenca del Río Segura. A partir del
procesamiento de las imágenes satélite, se derivan índices y parámetros de
superficie. Entre ellos, albedo, índice de vegetación de diferencia normalizada,
temperatura de superficie e índice de vegetación mejorado. La metodología ha
consistido en la descarga, escalado, reproyección y geoprocesamiento de las
imágenes del sensor MODIS. Esta información incorporada en un Sistema de
Información Geográfica, ha permitido obtener mapas de la distribución espaciotemporal de dichos índices y parámetros que sintetizan, de forma visual,
información clave como la evolución de los cultivos. Los mapas obtenidos se
han contrastado con los productos respectivos derivados desde Landsat5 TM
tanto a escala de cuenca, como a nivel de parcela. Esta información puede
servir de base a agricultores o a planificadores del uso del agua para la toma
decisiones, permitiendo optimizar el uso de los recursos hídricos.
6
Josefa Esparza Gil
1 INTRODUCCIÓN
1.1 MOTIVACIÓN
La teledetección satelital presenta amplias aplicaciones en el campo de la
Hidrología ambiental. La evapotranspiración real (ETreal) es de interés en la
modelización hidrológica y la gestión de los recursos hídricos, si bien los
métodos tradicionales basados en ecuaciones meteorológicas fallan en la
captura de la distribución espacio-temporal de esta variable. Métodos más
sofisticados como lisímetros, son realmente costosos y no aplicables a escala de
cuenca hidrográfica.
La estimación de ETreal desde teledetección satelital es una realidad, sin
embargo aún existen algunas incertidumbres en variables que forman parte de
la metodología de estimación. Las torres de medidas de flujo permiten la
calibración de indicadores obtenidos desde satélites. Pero este tipo de contraste
sólo es factible en localizaciones concretas, no abordable desde un punto de
vista espacial. El uso de información provista por distintos sensores satelitales,
es un medio eficaz de contraste espacio-temporal de variables e índices que
guardan correlación con la ETreal, de indudable interés hidrológico.
El sensor TM a bordo del satélite Landsat provee de información con una
alta resolución espacial (desde 30 m, 120 m. para la banda térmica), y baja
resolución temporal (datos cada 16 días). Mientras el sensor MODIS, a bordo
del satélite TERRA de la NASA, con moderada resolución espacial (desde 250
m), y alta temporal (imágenes diarias), permite el seguimiento dinámico de
variables.
En el presente Proyecto Fin de Carrera Específico (PFC), se pretende realizar
un contraste espacial de indicadores y variables seleccionadas, en fechas
precisas,
con
el
objetivo
de
mejorar
la
estimación
operacional
de
evapotranspiración real desde satélite.
7
PFC
1.2 OBJETIVOS
El objetivo principal del presente PFC Específico, consiste en la aplicación de
técnicas de teledetección satelital, considerando tanto imágenes Landsat5 TM
como MODIS TERRA, para la derivación y contraste de indicadores de interés
hidrológico.
Para la consecución de los objetivos del Proyecto, es necesario:
• Mejorar habilidades en la aplicación y uso de Sistemas de Información.
• Adquirir conocimientos sobre técnicas de teledetección satelital.
• Desarrollar habilidades en técnicas de tratamiento de datos espaciotemporales.
• Generar indicadores basados en teledetección.
El área de análisis donde se realizará el estudio corresponde la Cuenca del
Río Segura. Esta Cuenca se presenta como muy atrayente con respecto a otras
por sus contrastes climáticos (frecuentes sequías, lluvias torrenciales y
frecuentes inundaciones, elevadas temperaturas y heladas catastróficas). A
estos contrastes hay que añadir el aumento progresivo de las demandas
hídricas asociadas a la actividad económica y a la transformación del territorio,
que junto con el cambio climático, contribuyen a las frecuentes situaciones
deficitarias de agua.
No obstante, esta metodología puede aplicarse a cualquier zona de la que
se disponga de imágenes satélite (tanto para una gran superficie como para
una parcela de pocas hectáreas). Su resolución será seleccionada en función
del objetivo que se pretenda alcanzar.
8
Josefa Esparza Gil
2 ANTECEDENTES
2.1 CONCEPTOS BÁSICOS DE TELEDETECCIÓN SATELITAL
La teledetección es una técnica que permite obtener información de un
objeto sin entrar en contacto físico con él. Ello se realiza procesando la energía
emitida o reflejada por el objeto.
Los elementos implicados desde la captura de la imagen de satélite hasta su
procesamiento y aplicación, están presentados en la Figura 1. Se pueden
resumir en:
Figura 1: Elementos del proceso de teledetección
A. Fuente
de
energía
o
iluminación.
El
primer
requerimiento
en
teledetección es disponer de una fuente de energía que ilumine o
provea energía electromagnética al objeto de interés.
B. Radiación y la atmósfera. Ya que la energía “viaja” desde la fuente al
objeto, entrará en contacto e interaccionará con la atmósfera. Esta
interacción tiene lugar incluso una segunda vez cuando la energía
“viaja” desde el objeto al sensor.
C. Interración con el objeto. La energía interactúa con el objeto
dependiendo de la propiedades de éste y de la radiación incidente.
D. Detección de energía por el sensor. Se necesita un sensor que recoja y
registre la radiación electromagnética reflejada o emitida por el objeto y
la atmósfera.
9
PFC
E. Transmisón, recepción y procesamiento. La energía registrada por el
sensor debe ser transmitida, normalmente en forma electrónica, a una
estación de recepción y procesamiento donde los datos son convertidos
a imágenes digitales.
F. Interpretación y análisis. La imagen procesada se interpreta, visualmente
y/o digitalmente, para extraer información acerca del objeto que fue
iluminado (o que emitió radiación).
G. Aplicación. El paso final se alcanza en el momento en el que se utiliza la
información extraída de las imágenes del objeto para un mejor
conocimiento del mismo, revelando nuevas informaciones o ayudándo a
resolver un problema particular.
Por lo tanto, los tres elementos principales en cualquier sistema de
detección remota son el sensor, el objeto observado y el flujo de energía que se
produce entre ellos. De los tipos de flujo de energía, la teledetección utiliza la
energía reflejada y emitida.
El fundamento de la teledetección reside en la diferente respuesta de las
superficies a la radiación en las distintas zonas del espectro electromagnético
(Figura 2).
Figura 2: Espectro electromagnético
10
Josefa Esparza Gil
Cada superficie se caracteriza por una signatura espectral (Figura 3). Esta
signatura es codificada en una imagen digital, que constituye la representación
de un objeto utilizando una matriz numérica 2D, donde cada elemento de la
matriz se denomina píxel o celda.
Figura 3: Signaturas espectrales del suelo y la vegetación
2.1.1 JUSTI FI CACI ÓN DEL EM P LEO DE LA TELEDETECCI ÓN
Las utilidades de la teledetección, hacen incuestionable su uso, debido a que:
•
Son mediciones objetivas.
•
La información se recopila sistemáticamente, por lo que permite el cotejo de
series de tiempo y la comparación entre sistemas.
•
Permite el estudio de amplias zonas, como cuencas fluviales. Son
observaciones multiescala, pueden abordarse estudios desde escalas
1:150.000 (con imágenes de 30 m de resolución espacial) a escalas 1:3.000,
por ejemplo.
•
Se pueden agregar grandes volúmenes de información o desglosar a escalas
más detalladas
•
Su integración en un SIG, revela más información. Posibilita una información
distribuida espacialmente y actualizada.
•
Gracias a su “periodicidad”, al utilizarla en el seguimiento de zonas bajo riego
permite:
11
PFC
- Identificar nuevas zonas de regadío. Gracias a su multiespectralidad de
observación, captan datos no sólo en la región del espectro visible
(captada por el ojo humano), también en las regiones espectrales del
infrarrojo.
- Mejorar servicios de suministro de agua.
- Cumplir especificaciones de riego o modificar decisiones de riego
- Identificar desviaciones, y ante ello, realizar un diagnóstico rápido.
Por tanto la teledetección aplicada a la agricultura, es una tecnología que
puede introducir mejoras en la optimización de factores de producción agrícola.
Además en general, obtiene una información de especial interés en planificación
y gestión de los recursos naturales (ya sea agrícola, forestal, hidrológico o
minero).
Posibles beneficiarios de esta tecnología son las comunidades de regantes o
agricultores, pues mejora la eficiencia y productividad del agua disponible,
cumpliendo las directrices ambientales y gestión de condiciones deficitarias de
riego. Así como, las propias autoridades de gestión del agua, gestión de riesgos
naturales, prevención de sequías y adaptación al cambio climático. En resumen,
los productos finales de la teledetección proporcionan un soporte de apoyo a
los procesos de toma de decisión.
2.1.2 R ESOLUCI ONES ESP ECTR ALES, ESP ACI ALES Y TEM P OR ALES
Es imprescindible considerar una buena equivalencia entre la resolución
espacial y la escala espacial a la que ocurren los fenómenos que se pretenden
observar. El número de bandas y su localización en el espectro, va a depender
de los objetos que se pretendan cubrir.
La resolución espectral indica el número y ancho de las bandas en las que el
sensor puede captar la radiación electromagnética. En principio cuantas más
bandas incluya un sensor mejor, ya que cada banda constituye una variable
para caracterizar la superficie captada.
12
Josefa Esparza Gil
Por otro lado, es preferible que estas bandas sean estrechas para que su
poder discriminante se incremente. Si las bandas son muy anchas van a recoger
valores promediados que ocultarán elementos de diferenciación. Por ejemplo,
resulta mucho más informativo captar 3 bandas (rojo, verde, azul) en el visible
que en una sola banda (fotografía en blanco y negro).
La frecuencia de paso por un mismo punto de la superficie terrestre, indica
su resolución temporal.
Por otro lado, La resolución espacial designa al objeto más pequeño que
se puede distinguir en la imagen. Está determinado por el tamaño de píxel,
medido en metros sobre el terreno, esto depende de la altura del sensor con
respecto a la Tierra, el ángulo de visión, la velocidad de escaneado y las
características ópticas del sensor.
Existe un amplio rango de resoluciones espaciales en los satélites hoy en día
disponibles. Meteosat y los satélites geoestacionarios ofrecen una resolución
espacial de 5000m debido a su cobertura global de la superficie terrestre, los
satélites de la serie NOAA-AVHRR tienen resoluciones que van desde 500 a
1000m, Landsat TM presenta 30 metros y el sensor IKonos-1 1metro.
Meteosat y los satélites geoestacionarios (significa que están sincronizados
con el movimiento de rotación de la Tierra) ofrecen una resolución espacial de
5000m debido a su cobertura global de la superficie terrestre, los satélites de la
serie NOAA-AVHRR tienen resoluciones que van desde 500 a 1000m, Landsat
TM presenta 30 metros y el sensor IKonos-1 1 metro.
En este trabajo se emplean imágenes de dos satélites de diferentes
resoluciones, tanto espaciales, espectral y temporales. Landsat presenta mejor
resolución espacial. Sin embargo MODIS presenta mejor resolución temporal.
En cuanto a la resolución espectral, los dos satélites tienen anchuras de bandas
parecidas, pero distinta ventana de observación. Por ejemplo la banda 3 de
Landast, tiene una anchura de banda de 0,63 a 0,69 μm frente a la banda 1 de
MODIS 0,62-0,67μm.
13
PFC
2.1.3 SENSOR
M ODI S
(M ODER ATE
R ESOLUTI ON
I M AGI NG
SP ECTR OR ADI OM ETER )
El sensor MODIS (Moderate Resolution Imaging Spectroradiometer, o
espectroradiómetro
de
imágenes
de
resolución
moderada)
consta
de
36 canales, 2 con 250 m de resolución, 5 con 500 m y el resto con 1 km. Los
siete primeros canales, de más resolución, están orientados al estudio del
suelo, los nueve siguientes al estudio del océano y el resto a estudios
atmosféricos.
La infraestructura consiste en un sistema de captación de datos del sensor
MODIS mediante imágenes, a bordo de los satélites TERRA (en órbita desde
1999) y AQUA (desde 2002). Ambos satélites presentan una frecuencia de paso
diaria (diurna y nocturna), con una resolución espacial media (250-1000 m) y
en 36 bandas espectrales entre el rango visible y el IR térmico (Figura 4).
Los datos MODIS juegan un papel importante en el desarrollo de modelos
terrestres y de predicción de cambios globales, siendo muy útil para la toma de
decisiones sobre la protección del medio ambiente. Su gran resolución espectral
extiende su uso a muy diversas aplicaciones, tanto relacionadas con usos del
suelo, como incendios forestales, inundaciones, clima, cubiertas de nieve o
hielo, datos de temperatura y vapor de agua, etc. (http://modis.gsfc.nasa.gov/)
Los productos con los que se ha trabajado en este proyecto, corresponden a:
• Reflectancia superficial (MOD 09GQ y MOD 09 A1)
• Temperatura superficial (MOD11A1)
• Índices de vegetación (MOD 13 A1)
• Albedo (MCD 43 A1)
14
Josefa Esparza Gil
Figura 4: Longitudes de onda y bandas del sensor MODIS
2.1.4 SENSOR LANDSAT5™ (THEM ATI C M AP P ER )
El satélite Landsat5 fue puesto en órbita portando el sensor TM (Thematic
Mapper o Mapeador Temático) que opera en siete bandas espectrales diferentes,
cuatro de ellas presentadas en Figura 5. Las bandas fueron elegidas
especialmente para el seguimiento de la vegetación, a excepción de la banda 7
que se agregó para aplicaciones geológicas. Landsat 5 pertenece al programa
Landsat, financiado por el gobierno de los Estados Unidos.
Figura 5: Bandas del sensor Landsat
El Sensor TM tiene mayor sensibilidad radiométrica que su antecesor, el MSS,
y mejor resolución espacial, ya que el tamaño de celda en todas las bandas
excepto la 6, es de 30 metros. Esto permite la clasificación de zonas tan
pequeñas como 2,5 o 3 hectáreas.
15
PFC
La banda 6, que es una banda térmica, tiene un píxel de 120 metros en el
terreno. Cada imagen cubre una superficie 185 x 185 Km.
Tabla 1: Resoluciones espectrales y espaciales de Landsat 5TM
A continuación se presentan algunos detalles de las bandas de Landsat 5:
• Banda 1: (0,45 a 0,52 micrones - azul). Diseñada para penetración en
cuerpos de agua, es útil para la representación de costas, para diferenciar
entre suelo y vegetación y para clasificar distintas coberturas boscosas, por
ejemplo coníferas. También es útil para diferenciar los diferentes tipos de
rocas presentes en la superficie terrestre.
•
Banda 2: (0,52 a 0,60 micrones - verde). Especialmente diseñada para
evaluar el vigor de la vegetación sana, midiendo su pico de reflectancia (o
radiancia) en la banda verde. También es útil para diferenciar tipos de rocas
y, al igual que la banda 1, para detectar la presencia o no de limonita.
• Banda 3: (0,63 a 0,69 micrones - rojo). Es una banda de absorción de
clorofila, muy útil para la clasificación de la cubierta vegetal. También sirve
en la diferenciación de las distintas rocas.
• Banda 4: (0,76 a 0,90 micrones - infrarrojo cercano). Es útil para determinar
el contenido de biomasa, para la delimitación de cuerpos de agua y para la
clasificación de las rocas.
• Banda 5: (1,55 a 1,75 micrones - infrarrojo medio). Indicativa del contenido
de humedad de la vegetación y del suelo. También sirve para discriminar
entre nieve y nubes.
• Banda 6: (10,40 a 12,50 micrones – infrarrojo térmico). El infrarrojo térmico
es útil en el análisis del estrés de la vegetación, en la determinación de la
humedad del suelo y en la estimación de temperatura superficial.
16
Josefa Esparza Gil
• Banda 7: (2,08 a 2,35 micrones - infrarrojo medio). Especialmente
seleccionada por su potencial para la discriminación de rocas y para la
representación hidrotermal. Mide la cantidad de hidróxilos (OH) y la
absorción de agua.
Estas siete bandas pueden combinarse, produciendo una gama de imágenes
de color compuesto (o falso color) que incrementan notablemente sus
aplicaciones, especialmente en el campo de los recursos naturales.
2.2 INTRODUCCIÓN A SISTEMAS DE INFORMACIÓN GEOGRÁFICA
(SIG)
Un Sistema de Información Geográfica (SIG) se puede definir como un
sistema de hardware, software y procedimientos elaborados para facilitar la
obtención, gestión, manipulación, análisis, modelado, representación y salida de
datos espacialmente referenciados, para resolver problemas complejos de
planificación y gestión (NCGIA, 1990).
2.2.1 EL SI G GR ASS (GEOGR AP HI C R ESOURCES ANALYSI S SUP P ORT
SYSTEM )
El Sistema de Información Geográfica GRASS (Geographic Resources
Analysis Support System), ha sido originalmente desarrollado por el U.S. Army
Corps of Engineers Construction Engineering Research Laboratory (USACERL)
en Champaign, Illinois (EEUU).
Es un software de dominio público que presenta poderosas herramientas de
análisis ráster, por lo que se le puede clasificar como un SIG eminentemente
ráster, aunque también presenta herramientas de análisis vectorial. Otras
posibilidades que brinda son un sistema de procesamiento de imágenes y
sistema de producción gráfica. Según Fedra y Kubat (1993), GRASS sería un
SIG híbrido ya que combina formatos de representación basados en datos
vectoriales, y funciones con componentes basadas en estructura ráster. En la
actualidad GRASS presenta más de 300 comandos que le dan una gran
funcionalidad.
17
PFC
18
Josefa Esparza Gil
3 MATERIALES Y MÉTODOS
3.1 DESCRIPCIÓN DE LA CUENCA DE ESTUDIO
La cuenca de estudio corresponde a la Cuenca del Río Segura (Figura 6). Se
encuentra ubicada en el Sureste del territorio Español con una superficie
aproximada de 18.870 km², e involucra a cuatro Comunidades Autónomas:
prácticamente en su totalidad a la de Murcia y parcialmente a las Comunidades
de Andalucía (Provincias de Jaén, Granada y Almería), Castilla-La Mancha
(Provincia de Albacete) y Valencia (Provincia de Alicante).
Figura 6: Situación de la Cuenca del Río Segura y subcuencas.
En el marco de la cuenca del Río Segura, el estudio del contraste espaciotemporal de indicadores, se centra en el Campo de Cartagena. Se trata de una
superficie con una altitud máxima de 360m, como se presenta desde el Modelo
Digital de Elevaciones, Figura 7. La zona presenta un clima en general seco,
con precipitaciones anuales del orden de 300mm.
19
PFC
Figura 7: Imagen Landsat 5 (combinación falso color, bandas 432) y Modelo de Elevación
Digital del Campo de Cartagena (MED)
Dentro del Campo de Cartagena se ha
seleccionado la parcela de cultivo Villa Antonia
(Figura 8),
para
realizar
la validación
de
indicadores derivados desde teledetección. Esta
parcela de cítricos está equipadas con torres de
flujos que miden directamente y en continuo
ETreal además de otras variables de superficie
como flujo de calor sensible, intercambio de
CO2, radiación neta y temperatura superficial de
la vegetación y del suelo.
Figura 8: Zona de cultivo de Villa
Antonia
20
Josefa Esparza Gil
3.2 DESCRIPCIÓN DE LOS PRODUCTOS DE ESTUDIO DEL SENSOR
MODIS
3.2.1 M OD 09. R EFLECTANCI A SUP ER FI CI AL
La reflectancia superficial (MOD 09) se calcula a partir de las bandas 1, 2, 3,
4, 5, 6, y 7 (centrados a 648 nm, 858 nm, 470 nm, 555 nm, 1240 nm, 1640 nm
y 2130 nm, respectivamente).
Este producto proporciona una estimación de la reflectancia espectral de la
superficie. Se mide a nivel del suelo en ausencia de la dispersión atmosférica o
absorción. La estimación se lleva a cabo para todos los pixeles sin nubes,
corrigiendo los efectos atmosféricos producidos por gases, aerosoles y nubes
cirrus.
Para el estudio de las características de la superficie terrestre como la
distribución de la vegetación o los incendios, es importante eliminar o corregir
los efectos atmosféricos de los datos.
La reflectancia de la superficie terrestre es la base para una variedad de
productos MODIS: Índices de vegetación, BRDF (Función de Distribución de
Reflectancia Bidireccional), las anomalías térmicas (incendios), y FPAR / LAI
(Fracción de radiación fotosintéticamente activa / Índice de Área Foliar). El
producto de reflectancia de la superficie se utiliza habitualmente en las
caracterizaciones de cobertura de la Tierra, los modelos climáticos globales y
regionales, y modelado de superficies de balance de energía
MOD09GQ.
Posee una resolución de 250 metros. El conjunto de datos proporcionados
para este producto incluyen reflectancia para bandas 1 y 2, un índice de
calidad, la cobertura de observación y el número de observaciones.
MOD09A1.
Ofrece de 1 a 7 bandas con una resolución de 500 metros en
8 días.
Contiene la mejor observación posible durante un periodo de 8-días,
21
PFC
seleccionado sobre una base de cobertura de observación alta, ángulo de visión
baja, y con ausencia de nubes o sombras por nubes y carga de aerosoles.
Este producto es utilizado para el cálculo de los índices de vegetación,
desarrollados en apartados posteriores.
3.2.2 M OD11A1. TEM P ERATUR A SUP ER FI CI AL DE LA TI ER R A (LST) Y
EM I SI VI DAD.
El producto MOD11A1 proporciona información sobre la temperatura
superficial de la tierra (LST) y la emisividad.
LST es el resultado de la compleja interacción de energía entre la superficie
de la Tierra y la atmósfera. Dado que la temperatura de la superficie terrestre
es uno de los parámetros clave en la física de los procesos de la superficie de la
Tierra, es un buen indicador de efecto invernadero.
La capacidad de medir LST, es muy importante para el proceso de
clasificación de tipos de superficie terrestre y también tiene un impacto
significativo sobre los procesos hidrológicos, como la evapotranspiración.
La emisividad es un número adimensional, igual al cociente entre la
radiación emitida por un objeto y un cuerpo negro a la misma temperatura.
El producto MOD11 brinda estimaciones de LST en grados Kelvin al contacto
entre la cobertura y la atmósfera, tiene una resolución espacial de 1000 m,
tanto a escala diaria como composiciones de 8 días (MOD11A1 y MOD11A2).
3.2.3 M OD13. Í NDI CES DE VEGETACI ÓN (NDVI Y EVI )
MODIS incluye productos estándar de Índices de Vegetación (VI), el índice
de diferencia normalizada de vegetación (NDVI) y el índice de vegetación
mejorado (EVI). Estos IV caracterizan eficazmente los estados bio-físicos y
bioquímicos de las superficies con vegetación.
Este producto tiene una resolución espacial de 250 m, y una resolución
temporal de 16 días.
22
Josefa Esparza Gil
3.2.4 M CD 43 A3. SUP ER FI CI E DE R EFLECTANCI A BR DF / ALBEDO
La superficie terrestre es anisotrópica, es decir, dependiendo del ángulo de
iluminación solar, la energía reflejada no es la misma en todas las direcciones
como ocurre con superficies isotrópicas.
Debido a la anisotropía, la reflectancia superficial depende de las
propiedades espectrales de la radiación incidente, y también de la dirección
desde la cual dicha superficie es iluminada y vista, es decir, de la geometría
iluminación-visión (sol-sensor) con la cual es captada.
La dependencia de la reflectancia superficial en la geometría sol-sensor es
descrita por la Función de Distribución de la Reflectancia Bidireccional (BRDF),
la cual permite ajustar los valores de la reflectancia para minimizar los efectos
de la anisotropía. Esto es particularmente importante en el caso de sensores
que tienen ángulos de observación muy amplios como MODIS.
La serie de productos MOD43 describe el albedo, los parámetros de
distribución de la función de reflectancia bidireccional (BRDF), que caracteriza
la anisotropía de las coberturas del suelo y la reflectancia corregida por esta
función.
El producto MODIS BRDF / Albedo se utiliza para determinar albedos
globales superficiales de la tierra. El producto se basa en múltiples fechas, y
cielo despejado. Se obtiene cada 16 días y su resolución espacial de 1 km.
El producto BRDF / Albedo permite:
1) Normalizar datos de MODIS para ángulos de visualización estándar e
iluminación, eliminando así efectos geométricos a partir de imágenes multidato.
2) Cuantificar la información de la señal, que está relacionada con el tipo de
la cubierta de suelo
23
PFC
3) Proporcionar un modelo de superficie de la dispersión para la
modelización de la capa límite superficial y del clima global.
3.3 HERRAMIENTAS PARA EL TRATAMIENTO DE LA INFORMACIÓN
En este apartado se presentan las herramientas utilizadas para la
consecución de los objetivos del Proyecto.
Como primera fase se recopilaron los datos necesarios para el análisis y
procesamiento de la información satelital, a partir del sensor MODIS TERRA.
Se ha utilizado Reverb que es una aplicación Web para la descarga de
imágenes satelitales en el marco de la plataforma creada por la NASA National
Aerinautics and Space Administration de los Estados Unidos, agencia
gubernamental responsable de los programas espaciales.
La reproyección y transformación del formato de las imágenes, se realiza a
través de la aplicación Modis Reprojection Tools (MRT). Esta información ha
sido integrada en un Sistema de Información Geográfica (SIG), utilizando el
software GRASS (Geographic Resources Analysis Support System) versión 6.4.2,
bajo licencia GPL (software libre). Para el procesamiento de la gran cantidad de
datos y generación de indicadores se utiliza la herramienta SORPRESA toolbox
(Sistema Operacional Regional de Previsión de Efectos de Sequías Agudas,
García Galiano et al., 2007), embebida en dicho sistema de información,
desarrollada para el seguimiento de zonas de riego y condiciones de sequía
mediante teledetección.
3.3.1 SOFTW AR E R EVER B
La herramienta utilizada para descargar los archivos en formato HDF
correspondientes al sensor MODIS es Reverb
(http://reverb.echo.nasa.gov/reverb/).
Esta herramienta permite la selección de la zona de estudio así como la
fecha y la hora, y los indicadores de interés hidrológico. La Figura 9 presenta el
aspecto de la página web del sistema Reverb.
24
Josefa Esparza Gil
Figura 9: Aspecto del sistema Reverb
3.3.2 FOR M ATO HDF (HI ER AR CHI CAL DATA FOR M AT)
El Formato de datos Jerárquico HDF (Hierarchical Data Format), tiene la
particularidad de que es un conjunto de formatos de archivos para almacenar y
organizar grandes cantidades de datos numéricos.
Las características más representativas del formato HDF (Hierarchical Data
Format), son las siguientes:
• Permite obtener información acerca de los datos de un archivo analizando el
mismo, sin necesidad de recurrir a fuentes externas.
• Permite almacenar datos de distinta naturaleza en un mismo archivo y
relacionarlos entre ellos.
• Estandariza los formatos y las descripciones de los tipos de datos más
comúnmente empleados.
• Se trata de un formato abierto, con sus especificaciones publicadas, lo que
permite su implementación en diversas aplicaciones informáticas, facilitando
la portabilidad, así como permitiendo al usuario desarrollar sus propias
aplicaciones específicas.
Es flexible y puede ser adaptado para almacenar cualquier tipo de dato.
25
PFC
Dentro del archivo de HDF se almacenan un conjunto de datos científicos
(SDS). Los valores almacenados en el SDS (aparte de las matrices de
geolocalización) son valores de entero corto con el fin de ahorrar espacio de
almacenamiento. Para calcular el valor de datos real, se necesita aplicar al valor
almacenado un scale_factor y add_offset. Se utiliza para obtener el valor real la
siguiente ecuación:
valor = scale_factor * (stored_value - add_offset)
(1)
Una vez obtenida la imagen del Reverb en formato HDF, se convierte al
formato Geotiff con el programa Modis Reprojection Tool (MRT), para que
pueda ser procesada bajo el SIG GRASS.
El formato de los HDF es el siguiente:
ESDT.AYYYYDDD.hHHvVV.CCC.YYYYDDDHHMMSS.hdf
• ESDT = Earth Science Data Type name (e.j., MOD19A1). La primera parte
del nombre, es su nombre corto. Las tres primeras letras hacen referencia
a la plataforma: MOD para Terra, MYD para Aqua y MCD para datos
combinados Terra/Aqua. El número se refiere al tipo de producto, CMG
indica el producto global “Climatic Modeling Grid”
• YYYYDDD = Año y día de adquisición; Después de la letra A aparece la
fecha de adquisición (año y día juliano en los cuatro primeros y tres
últimos dígitos respectivamente)
• HH =Número horizontal de “tile”.(0‐35)
• VV = Número vertical de “tile”.(0‐17)
• CCC = Número de version de la colección (001, 002, 003, etc.)
• YYYDDDHHMMSS = Finalmente aparece la fecha de procesamiento (año,
día juliano, hora, minutos y segundos).
• hdf = Sufijo denotando fichero format HDF.
El “tile” correspondiente a España es el h17v05, y la distribución de los tiles de
la superficie terrestre se muestra en la Figura 10.
26
Josefa Esparza Gil
Figura 10: Distribución de tiles
Ejemplo:
MOD09A1.A2010209.h17v05.005.2010219055426.hdf
3.3.3 SOFTW AR E M R T (M ODI S R EP R OJECTI ON TOOLS)
La herramienta de reproyección MODIS Tool (MRT) es un software diseñado
para ayudar a trabajar con datos MODIS. Se puede reproyectar sólo partes
seleccionadas de la imagen o producto (subconjuntos espaciales), y seleccionar
bandas de las imágenes (subconjuntos espectrales). El software guarda los
datos de MODIS en formatos compatibles con los paquetes de software
existentes (binario y Geotiff).
La herramienta se ejecuta en varias plataformas, incluyendo estaciones de
trabajo Sun Solaris, estaciones de trabajo SGI IRIX, Linux y Microsoft Windows.
La figura 11 presenta el aspecto del MRT.
Figura 11: Aspecto del MRT Tools
27
PFC
3.3.4 SOFTW AR E SOR P R ESA_TOOLBOX
La herramienta Sorpresa Toolbox (García y otros, 2007) fue desarrollada para
el seguimiento y alerta temprana de sequías desde teledetección. Esta
herramienta desarrollada en Tcl-tk bajo Linux, es empleada para automatizar
procesos y algoritmos que emplean imágenes de satélite, entre otras
aplicaciones, como por ejemplo transformar gran cantidad de datos del formato
HDF a formato Geotiff a la vez. La Figura 12 presenta el aspecto de la
aplicación Sorpresa Toolbox.
Figura 12: Sorpresa Toolbox
3.4 ETAPAS PARA EL PROCESAMIENTO DE LA INFORMACIÓN
Un primer paso, es la descargada de las imágenes objeto de estudio a través
de la plataforma Reverb NASA. En esta herramienta se selecciona el área de
interés de la que se desea obtener información, en este caso se seleccionará la
Región de Murcia (España), a través de la pestaña de la página principal donde
se indica el nombre de la zona (“place name”).
El segundo paso, consiste en seleccionar el intervalo de tiempo de la base de
datos. De esta manera se obtendrán las imágenes de cada indicador para el
intervalo seleccionado, tanto diarios como 16 días.
El tercer paso consiste en seleccionar la base de datos disponible. La tabla 2
resume los datos y fechas de los productos de interés.
28
PFC
Tabla 2: Productos seleccionados
INDICADOR
BASE DE
FECHAS
DATOS
Surface reflectance Daily L2G Global 250m
Surface Reflectance 8-Day L3 Global 500m SIN rid V005
MOD 09GQ
80 fechas entre 2009-2011
MOD 09A1
Periodo del 2009-2012
Land Surface Temperature/ Emissivity Daily L3 Global 1 Km
MOD 11A1
2012
Vegetation Indices 16-Day L3 Global 250m
MOD13Q1
2012
Albedo 16_Day L3 Global 1 Km
MCD43A3
2009-2011
Finalmente, se selecciona los datos en “Search for Granules” (Figura 13).
Figura 13: Selección de los indicadores
La ventana que aparece después de realizar el tercer paso, presenta las
opciones de los datos disponibles para el intervalo de tiempo seleccionado. A
continuación se lleva a cabo la descarga de la selección en formato HDF.
Una vez descargado el archivo/s HDF, es necesario transformarlos a formato
Geotiff. Se utiliza la herramienta MRT tool mencionada previamente (Figura 12).
Cada producto presenta una serie de bandas, y de todas esas bandas se
seleccionan aquellas que van a ser objeto de estudio. En la Tabla 3 se recogen
en azul, las bandas seleccionadas para su procesamiento.
29
Josefa Esparza Gil
Tabla 3: Selección de bandas mediante MRT tool
Reflectancia
superficial
Índices de vegetación
Temperatura
superficial
Albedo
Sur_refl_b01
Sur_refl-b02
Sur_refl_b03
Sur_refl_b04
Sur_refl_b05
Sur_refl_b06
Sur_refl_b07
Sur_refl_qc_500m
Sur_refl_szen
Sur_refl_vzen
Sur_refl_state_500m
Sur_refl_date_500m
Sur_refl_day_of_year
250m_16_days_NDVI
250m_16_days_EVI
250m_16_days_VI_Quality
250_16_days_red_reflectance
250m_16_days_NIR_reflectance
250m_16_daus_blue_reflectance
250m_16_days_MIR_reflectance
250m_16_days_view_zenith_angle
250m_16_days_sun_zenith_angle
250m_16_days_relative_azimuth_angle
250m_16_days_composite_day_of_the_year
250m_16_days_pixel_reliability
LST_Day_1km
QC_Day
Day_view_time
Day view_angle
LST_Night_1km
QC_Night
Night_view_time
Night_view_angle
Emis_31
Emis_32
Clear_day_cov
Clear_night_cov
Albedo_BSA_Band1
Albedo_BSA_Band2
Albedo_BSA_Band3
Albedo_BSA_Band4
Albedo_BSA_Band5
Albedo_BSA_Band6
Albedo_BSA_Band7
Albedo_BSA_nir
Albedo_BSA_shortwave
Albedo_WSA_Band1
Albedo_WSA_Band2
Albedo_WSA_Band3
Albedo_WSA_Band4
Albedo_WSA_Band5
Albedo_WSA_Band6
Albedo_WSA_Band7
Albedo_WSA_vis
Albedo_WSA_nir
Albedo_WSA_shortwave
Empleando el MRT tool, se obtiene el archivo de configuración (.prm), que
facilita la automatización del proceso. Este archivo contiene los parámetros de
proyección de coordenadas elipsoidales al sistema de coordenadas geográficas
proyectado UTM (sistema WGS_84, UTM 30) y los parámetros de conversión de
formato .hdf a .tiff.
Una vez obtenido el archivo para una imagen en concreto, se aplica los
mismos parámetros al resto de imágenes, empleando el archivo .prm en un
“script” de la herramienta Sorpresa Toolbox. La figura 14 presenta el archivo
.prm con los parámetros de conversión.
30
PFC
Figura 14: Aspecto de un archivo en .prm
En dicho “script” se renombra los archivos tiff obtenidos, para facilitar la
búsqueda de acuerdo al siguiente criterio:
FECHA.RESOLUCIONTEMPORAL.RESOLUCIONESPACIAL.INDICADOR.geotiff
Ejemplo de los cambios que se realizan:
Tabla 4: Cambio de HDF a Geotiff
INDICADOR
MOD 09GQ
MOD 11A1
MOD13Q1
MCD43A3
NOMBRE HDF
MOD09A1.A2010209… (.hdf)
MOD11A1.A2010209… (.hdf)
MOD13Q1.A2010209… (.hdf)
MCD43A3.A2010209… (.hdf)
TIFF
2010209.1_250_refl_b01.tiff
2010209.1_1_LST.tiff
2010209.16_250_NDVI.tiff
2010209.1_1_albedo.tiff
Además se hace un filtrado de valores de acuerdo con el rango de valores
máximos y mínimos definido para cada indicador, habiendo aplicado el factor de
escala correspondiente. Se realiza también el cambio de unidades que se
requiera, por ejemplo para el indicador de temperatura superficial (LST), los
datos se expresan en K y ha sido necesario pasarlo a ºC.
31
Josefa Esparza Gil
Tabla 5: Rango de valores y factores de escala
Indicador
BD
Unidades
Reflectancia superficial
MOD09A1
reflectancia
Índices de vegetación
MOD13Q1
Temperatura superficial
MOD11A1
Kelvin
Albedo
MCD43A3
Adimensional
Rango de
Factor de
valores
escala
-100 -16000
0.0001
0
-2000-100000
0.0001
0
7500-65535
0.02
0
0.0010
0
0-32766
Offset
Finalmente se carga a la vez todas las bandas de cada indicador en el SIG
GRASS, mediante la orden “r.in.gdal”. La orden “r.in.gdal” utiliza la herramienta
GDAL (GRASS Raster Data Import Program), para la carga de archivos ráster y
su transformación en una capa de mapa ráster binario.
Bajo el entorno GRASS, se ha creado una base de datos, denominada
SIG_BD, que incorpora toda la información tanto ráster como vectorial. Dentro
de ésta, se han definido Locations, en diferentes sistemas de referencia, para
facilitar la reproyección de los diferentes mapas empleados en el PFC. La
Location principal es la creada en el sistema de referencia geodésico European
Terrestrial Reference System 1989 (ETRS89), proyección Universal Transversal
Mercator (UTM), sistema de referencia oficial para España (REAL DECRETO
1071/2007, de 27 de julio).
Se define dentro de éste, diferentes MAPSET en función del tipo de
información a tratar (MODIS, LANDSAT…) (Figura 15).
32
PFC
LANDSAT
ED_50_UTM30
ETRS_89_UTM30
SPOT
WGS84
MODIS
SIG_BD
Figura 15: Estructura de la base de datos bajo el SIG GRASS
De entre todos los datos recogidos, se han seleccionado diez fechas para las
que se va a realizar el contraste espacio-temporal de los productos: NDVI,
SAVI, MSAVI, EVI, ALBEDO, TVDI, y VTCI, tanto del sensor Landsat como del
sensor MODIS; las fechas seleccionadas han sido:
Tabla 6: Fechas seleccionadas para el contraste MODIS-Landsat
2009
2010
2011
20090214
20100508
20110511
20090606
20100524
20110628
20090910
20100727
20100929
20101031
3.5 CÁLCULO DE LOS ÍNDICES DE VEGETACIÓN
La firma espectral de una masa de hojas, Figura 16, presenta tres zonas
diferenciadas del espectro electromagnético: el visible, el infrarrojo próximo y el
infrarrojo medio.
• En el visible la reflectancia es baja y también la transmitancia, debido la
absorción de pigmentos fotosintéticos (clorofila, xantofila, antocianinas y
carotenos).
33
Josefa Esparza Gil
• En el infrarrojo próximo, las hojas presentan una meseta alta de reflectancia
(alrededor de 50%). El resto de energía es transmitida
• En el infrarrojo medio, el agua marca su presencia en las hojas produciendo
fuertes bandas de absorción en la signatura resultante.
Figura 16: Firma espectral de la vegetación.
La vegetación vigorosa absorbe la radiación en la zona del visible,
especialmente en el rojo (0,6-0,7) en tanto que refleja gran parte de la que le
incide del infrarrojo próximo (0,7-1,1).
Para estudiar la cobertura vegetal de una zona mediante imágenes de
satélites, se han desarrollado diversas técnicas que permiten tener datos
cualitativos y cuantitativos del estado de la vegetación.
Los índices espectrales de vegetación son transformaciones desarrolladas
para caracterizar las cubiertas vegetales reforzando la contribución espectral
debida a la cubierta vegetal, en tanto que minimizan la influencia de factores
distorsionante como el suelo, la irradiancia solar, el ángulo de elevación solar y
la propia atmósfera (Pinilla 1995).
De acuerdo a la recopilación de indicadores, realizada por García (2011) los
índices de vegetación parten del supuesto de que la vegetación tiene un
comportamiento distinto en cada longitud de onda en función de su estado
vegetativo y desarrollo alcanzado, y consisten en la combinación de bandas
espectrales de la vegetación al tiempo que atenúan las de otros factores como
el suelo, y las condiciones de iluminación y atmosféricas.
34
PFC
3.5.1 Í NDI CE DE VEGETACI ÓN DI FER ENCI A NOR M ALI ZADA (NDVI )
La formulación original es atribuida a Rouse et al.,(1974), este índice ha sido
y está siendo ampliamente utilizado, estando basado en un intento de realzar
las diferencias en la reflectividad entre las regiones espectrales del rojo y el
infrarrojo cercano.
El NDVI es un índice derivado de las medidas de los valores de la
reflectancia en la banda roja (banda 3) y el infrarrojo cercano (banda 4) del
espectro electromagnético que describe la cantidad relativa de biomasa de una
región a otra (Lillesand y Kieffer, 1987). Se calcula mediante la fórmula.
NDVI =
(ρ NIR − ρ RED )
(ρ NIR + ρ RED )
(2)
donde:
ρ NIR = reflectancia en la banda 4 (infrarrojo Cercano)
ρ
• RED = reflectancia en la banda 3 (rojo)
•
NDVI puede adquirir valores comprendidos entre -1 y 1. El valor 0
corresponde a suelo completamente desnudo, sin vegetación) y 1 a suelo con
una cubierta de biomasa máxima. Se puede presentar el caso en que NDVI
presente valores negativos, lo que indicaría presencia de lámina de agua, nieve,
nubes.
La importancia de este índice reside en su utilidad para determinar la
presencia de vegetación, y realizar un seguimiento en su desarrollo. Así pues,
permite determinar la eficiencia metabólica de la vegetación o localizar áreas
donde el crecimiento de la vegetación es menor, distinguir vegetación sana, o
vegetación con estrés por falta de agua, sequía, etc.
Para el cálculo del NDVI se utiliza la formulación (ecuación 2), pero las
bandas utilizadas son diferentes dependiendo del sensor. El infrarrojo cercano
corresponde a la banda 3, y el rojo a la banda 2 para Landsat, y en el cálculo
de NDVI para MODIS se emplearían las bandas 1 y 2.
35
Josefa Esparza Gil
A modo de ejemplo se presenta dos imágenes (Figura 17) de la distribución
espacial de NDVI para las estaciones de invierno y verano. Para la imagen de
invierno se observan valores elevados de NDVI próximos a 1(representados con
tonos verdes oscuros) que se corresponden a zonas montañosas con
vegetación. La otra imagen correspondiente a verano, los valores no son tan
altos como en invierno, ganando espacio los tonos marrones, próximos a 0.
NDVI_2009049
NDVI_2010209
Figura 17: NDVI de invierno y verano de la Cuenca del Rio Segura
3.5.2 Í NDI CE DE VEGETACI ÓN AJUSTADO AL SUELO (SAVI )
Índice propuesto por Huete (1988), es un índice muy similar a NDVI,
introduce el valor de una constante en la ecuación L (factor de corrección de
brillo del suelo), el cual está en función de la densidad de la vegetación del
suelo, para lo que se requiere un conocimiento previo del estado del desarrollo
del cultivo. Pero es necesario especificar L a través del ensayo de prueba y
error, basado en la cantidad de vegetación en el área de estudio.
SAVI = (1 + L)
(ρ NIR − ρ RED )
(L + ρ NIR + ρ RED )
(3)
donde L:
• L=1, densidad de vegetación baja.
• L=0.5, densidad de vegetación intermedia.
• L=0.25, densidad de vegetación alta.
36
PFC
En la siguiente figura se presenta dos imágenes del índice SAVI obtenidas
de la Cuenca del Río Segura (Figura 18). Los valores más elevados
corresponden a invierno (tonos marrones oscuros). En cambio en verano los
valores son muy bajos, próximos a 0. Invierno presenta una distribución más
uniforme, sin embargo verano presenta mayores diferencias. La presencia de
valores altos no corresponden con las mismas zonas que muestra NDVI,
principalmente en la cabecera de la cuenca.
SAVI_2009049
SAVI_2009257
Figura 18: SAVI de invierno y verano para la Cuenca del Río Segura
3.5.3 Í NDI CE DE VEGETACI ÓN AJUSTADO AL SUELO M ODI FI CADO
(M SAVI )
El índice de vegetación ajustado al suelo modificado se denomina MSAVI y su
posterior revisión, MSAVI2, Qi et al. (1994 a) desarrolló el MSAVI, y más tarde
el MSAVI2 (Qi et al. 1994b), son índices de vegetación ajustados al suelo que
pretenden abordar algunas de las limitaciones de NDVI cuando se aplica a
zonas con un alto grado de la superficie expuesta del suelo. El MSAVI2 para
mayor fiabilidad elimina la necesidad de encontrar la línea de suelo (Figura 19)
de una parcela característica o incluso especificar explícitamente el factor de
corrección de brillo de suelo.
37
Josefa Esparza Gil
Figura 19: Línea de suelo
La fórmula para calcular MSAVI, en sí es la misma que la fórmula para el
cálculo de SAVI:
)
(4)
donde:
• R= Reflectancia de la banda roja
• NIR= Reflectancia de la banda infrarroja
• L=Brillo del suelo, factor de corrección
La diferencia entre SAVI y MSAVI viene dada por la diferencia a la hora de
calcular L. En SAVI, L se calcula por la cantidad de vegetación que hay
(generalmente se adopta un valor de L=0.5), y en MSAVI se utiliza la siguiente
fórmula para calcular L:
(5)
donde:
• s= pendiente de la línea de suelo de una trama de valores de brillo del
rojo frente al infrarrojo cercano.
Qi et al. (1994b), a partir de la ecuación MSAVI, ha sustituido 1-MSAVI (n)
para una serie de n y luego resolvió la ecuación recursiva hasta MSAVI (n) =
38
PFC
MSAVI (n-1). Ello ha dado lugar a la siguiente fórmula, comúnmente llamada
MSAVI2, lo que elimina la necesidad de encontrar la línea del suelo de una
parcela característica de capacidad o incluso especificar explícitamente el brillo
del suelo factor de corrección:
MSAVI =
2 ⋅ ρ NIR + 1 −
(2 ⋅ ρ NIR + 1)2 − 8 ⋅ (ρ NIR − ρ RED )
2
(6)
En todos los índices de vegetación se hacen las presunciones básicas:
primero que una combinación algebraica de bandas espectrales puede
proporcionar información útil sobre la vegetación y en segundo lugar que el
suelo desnudo formará una línea en el espacio espectral, es decir, la línea del
brillo del suelo como línea de vegetación cero. MSAVI2 es generalmente la
versión que se utiliza.
Como ejemplo del cálculo de indicador MSAVI para la Cuenca del Río Segura
se presenta la Figura 20. Presenta una distribución más realista que SAVI.
Prestando atención a la cabecera de la Cuenca, en verano presenta los valores
más elevados incluso para invierno. Sin embargo, en esta estación los mayores
valores se registran en zonas que puede tratarse de regadíos en el valle del
Segura y del campo de Cartagena.
MSAVI_2009049
MSAVI_2011185
Figura 20: MSAVI de invierno y verano de la Cuenca del Río Segura.
39
Josefa Esparza Gil
3.5.4 Í NDI CE DE VEGETACI ÓN M EJOR ADO (EVI )
Índice de Vegetación Mejorado (EVI) Huete, (2002) que incorpora
coeficientes a partir de datos experimentales para mejorar el ajuste de este
índice de vegetación al porcentaje de suelo desnudo.
EVI =
(ρ NIR
G ⋅ (ρ NIR − ρ RED )
+ C1 ⋅ ρ RED − C 2 ⋅ ρ BLUE + L )
(7)
donde;
• A, R, IR P : Reflectividad en la banda Azul, Rojo e Infrarrojo Cercano.
• C 1 =6.0, coeficiente de resistencia atmosférica.
• C 2 =7.5, coeficiente de resistencia atmosférica.
• G=2.5, Factor de ganancia.
• L=1, Factor de corrección.
La figura 21 presenta la distribución espacial del indicador EVI. Se observa
que en invierno predominan valores altos, representados en tonos naranjas,
principalmente en las zonas más elevadas próximas al litoral. Sin embargo en
verano los valores son más bajos, tonos más amarillentos. Presenta una
distribución parecida al indicador NDVI.
EVI_2009049
EVI_2010209
Figura 21: EVI para invierno y verano de la Cuenca de Río Segura.
3.5.5 Í NDI CE DE DI FERENCI A DE VEGETACI ÓN (R DVI )
Fue propuesto para combinar las mejoras del índice de diferencia de
vegetación (DVI=NIR-RED, Jordan, 1969) y el NDVI.
40
PFC
RDVI =
(ρ NIR − ρ RED )
(ρ NIR + ρ RED )
3.5.6 Í NDI CE
DE
(8)
VEGETACI ÓN
DE
DI FER ENCI A
NOR M ALI ZADA
TR ANSFOR M ADA (TNDVI )
El índice de vegetación de diferencia normalizada (Rouse, et al., 1974),
indicado para la comparación de la biomasa de plantas de diversas condiciones
ambientales.
TNDVI =
(ρ NIR − ρ RED )
(ρ NIR + ρ RED )
(9)
3.6 EL ESPACIO LST NDVI
Si se representan gráficamente los valores de LST versus NDVI, se obtiene
un espacio con forma triangular o trapezoidal, Figura 22. En este espacio, el
borde izquierdo representa el suelo desnudo. Cuando aumenta la cantidad de
vegetación verde, el valor de NDVI aumenta a lo largo del eje X.
De este espacio se puede obtener rectas de regresión de los límites que
forman el triángulo (o trapecio) que comprende la nube de puntos. La línea que
define el límite superior es el borde seco, y la línea de define el limite inferior
determina el borde húmedo.
Without
evaporation
Dry edge
Land Suface
Temperature
LST
Bare soil
Without transpiration
Partial cover
Maximum
evaporation
Full cover
Wet edge
Maximum transpirarion
NDVI
Figura 22: Representación del Espacio LST-NDVI (Sandholt et al., 2002)
41
Josefa Esparza Gil
El espacio triangular Figura 23, representa la distribución de las zonas de
suelo desnudo (C), de cobertura parcial (B), de cobertura total (A) y de agua
cuando NDVI es menor a 0, para un triangulo obtenido para la fecha 20100628.
Como se observa el borde seco (suministro hídrico limitado o zonas secas)
describe una correlación negativa con NDVI (a= 46,31955 y b= -18,2734). El
borde húmedo en este caso, presenta una correlación positiva con NDVI (a´=
25, 38912 y b´= 7,91497).
Figura 23: Distribución de las zonas del suelo en el espacio triangular
Se debe destacar que los coeficientes a, b, a’ y b’ de las rectas de regresión
lineal se deben estimar para un área lo suficientemente grande como para que
la humedad del suelo, en la capa superficial del terreno, pueda variar entre el
punto de marchitez y la capacidad de campo a escala de celda, y exista una
suficiente variabilidad de los tipos de vegetación. En caso de no ser así, los
bordes seco y húmedo no serán adecuadamente definidos.
Para un punto LST-NDVI próximo al límite seco, existirá en el suelo una
mínima disponibilidad de agua. Para un punto cercano al límite húmedo existirá
en el suelo una máxima disponibilidad de agua.
En condiciones secas, la relación LST y NDVI se define por el borde superior
borde seco del triángulo, que corresponde a la hipotenusa del triángulo
(Sandholt et. al., 2002).
42
PFC
Para la Cuenca del Río Segura, se observan triángulos en invierno y en
verano, y trapecios en otoño y en primavera. Las imágenes a las que se hace
referencia se presentan en el Anexo III.
3.6.1 Í NDI CES DER I VADOS DEL ESP ACI O LST-NDVI .
El Índice de Sequedad Temperatura-Vegetación (TVDI, Sandholt et al.,
2002), está inversamente relacionada con la humedad del suelo, donde los
valores altos indican condiciones secas y valores bajos condiciones húmedas.
TVDI =
(LSTNDVI
− LSTNDVIi min )
(LSTNDVIi max + LSTNDVIi min )
(10)
A modo de ejemplo la figura 24 presenta la distribución de TVDI
correspondiente a otoño y verano En la imagen de otoño los colores verdáceos
se pueden deber a zonas en las que se registran mayores precipitaciones y
temperaturas más bajas. En la imagen de verano los valores bajos pueden ser
debidos a la influencia del mar y de igual forma a las zonas de mayor relieve.
TVDI_2010272
TVDI_2011179
Figura 24: TVDI de otoño y verano para la Cuenca del Río Segura.
Otro Índice es el de Condición Temperatura-Vegetación (VTCI, Vegetation
Temperature Condition Index) propuesto por Wang et al., (2001), y aplicado
para el seguimiento de sequías, se define como:
VTCI =
(LSTNDVIi max + LSTNDVIi )
(LSTNDVIi max − LSTNDVIi min )
(11)
43
Josefa Esparza Gil
LSTNDVIi max = a + bNDVIi
(12) y (13)
LSTNDVIimix = a ' + b ' NDVIi
LSTNDVImax y LSTNDVImin, las rectas de regresión que definen el «borde
seco» y «borde húmedo» del triángulo LST-NDVI, respectivamente. El borde
seco representa la tasa de evapotranspiración mínima (zonas secas), mientras
que el borde húmedo dá su máximo valor (zonas sin restricción de agua).
La figura 25 corresponde a la distribución del VTCI, donde se puede realizar
una interpretación similar a TVDI. Principalmente en las zonas de costa y
cabecera.
VTCI_2010272
VTCI_2011179
Figura 25: VTCI de otoño y primavera para la Cuenca del Río Segura.
3.6.2 OTR OS P AR ÁM ETR OS DE SUP ER FI CI E EL ALBEDO
El albedo de superficie es estimado a partir de los valores de reflectancia de
cada una de las siete bandas, usando la fórmula (14), estimación propuesta por
Liang (2000).
α = 0,160α1 + 0,291α2 + 0,243α3 + 0,116α4 + 0,112α5 + 0,081α7 – 0,0015
(14)
Donde α de 1 a 7, corresponde al valor de la reflectancia de las bandas del
sensor MODIS TERRA.
En la figura 27 se presentan dos imágenes de albedo, una correspondiente
a invierno en la que se observa que albedo alcanza valores mínimos en las
44
PFC
zonas de montaña, y en la imagen de verano se alcanzan mayores valores, en
torno a 0.5.
ALBEDO_2009049
ALBEDO_2011185
Figura 26: Albedo para invierno y verano de la Cuenca del Río Segura.
45
Josefa Esparza Gil
46
PFC
4 DISCUSIÓN Y RESULTADOS
4.1 ANÁLISIS DE LOS ESPACIOS LST-NDVI
Se analizan los gráficos de LST-NDVI para las fechas objeto de estudio. El
análisis de este espacio, permite identificar dos rectas delimitando (i)
condiciones de suelo seco (LSTmax), y (ii) otra correspondiente a condiciones
no limitantes de agua (LSTmin). Las rectas de los bordes seco y húmedo se
obtiene mediante ajuste por mínimos cuadrados. A partir de su análisis se
deduce que, en todos los casos, la recta que se ajusta al borde seco se
correlaciona de una manera inversa con NDVI (pendiente b negativa en todos
los casos).
Para la interpretación de dichos espacios se ha tenido en cuenta las
precipitaciones registradas en la cuenca del Segura para el periodo 2009-2012,
valores de precipitación obtenidos de la Confederación Hidrográfica del Río
Segura, CHS (AnexoII).
Los triangulos obtenidos (Anexo I) presentan las siguientes apreciaciones,
entre las que destaca cambio de pendiente (b´) en la recta que se ajusta al
borde húmedo.
Para la fecha 20090214 (Figura 27) se observa una pendiente positiva para el
borde húmedo. Teniendo en cuenta las precipitaciones de meses anteriores y la
del propio mes, se interpreta que aunque no ha sido muy lluvioso, sí que existe
una relación positiva entre la temperatura superficial del terreno y la
vegetación.
Figura 27: LST-NDVI 20090214
47
Josefa Esparza Gil
En la fecha 20090606 (Figura 28), se observa una pendiente del borde
húmedo negativa con elevada temperatura superficial. Una posible causa de
este fenómeno, puede ser debido a que los meses anteriores a la fecha, fueron
secos, tal y como se desprende de los datos de precipitación. Por este motivo
se interpreta la existencia de valores bajos de evapotranspiración, de NDVI y
poca humeda.
Figura 28: LST-DVI 20090606
Para las fechas 20100508 y 20100524, correspondientes a mayo, las rectas
que representa el borde húmedo, tienen pendiente negativa (Figura 29). Si se
analiza la serie de precipitacion de los meses anteriores, fueron de poca
importancia, unido a las elevadas temperaturas superficiales, se desprende un
disminucion de la transpiración de las plantas.
Figura 29: LST-NDVI 20100524
En el mes de julio la precipitación fue escasa 1,3 l/m2, pero en el mes
anterior, sí se produjeron precipitaciones de mayor cuantía, en torno a 29,9
l/m2. Puede ser éste el motivo por el cual, en 20100727 (Figura 31), se
observa una pendiente de borde húmedo positiva en el triángulo. Aunque las
temperaturas sean elevadas las precipitaciones favorecen el desarrollo de la
vegetación, con altos valores de NDVI.
48
PFC
Figura 30: LST-NDVI 20100727
Para la fecha 20110628, el borde húmedo presenta pendiente positiva y
elevada temperatura superficial. En los meses anteriores a esta fecha las
precipitaciones fueron en torno a 30 l/m2 por lo que hay una disminucion de la
evapotranspiración.
De manera general, se puede interpretar que en los meses secos,
especialmente en los meses de verano con escasas precipitaciones, se produce
un cambio de pendiente del borde húmedo, hacia una pendiente positiva,
elevada temperatura superficial para altos valores de NDVI.
Se puede deducir estrés en la vegetación para los meses de verano, pero
también presentan elevados valores de NDVI (tendencia del borde húmedo
positiva), aunque exista una elevada temperatura superficial.
Para los meses de primavera la pendiente del borde húmedo es negativa.
Aunque corresponde a meses secos, disminuye la temperatura superficial y
aumentan los valores de NDVI en comparación con los meses de verano, lo que
indica existencia de zonas de cultivo y zonas con vegetación seca.
4.2 CONTRASTE DE INDICADORES DE VEGETACION.
Considerando las diez fechas seleccionadas se ha llevado a cabo el cálculo
de distintos indicadores derivados desde teledetección con interés hidrológico.
En el proyecto ”Desarrollo y aplicación de indicadores de alerta temprana
frente a sequías a escala regional desde MODIS”, se realizó un estudio de
indicadores basados en teledetección y datos meteorológicos para alerta
temprana de sequías en cuencas del Sureste Español (García y otros, 2007).
49
Josefa Esparza Gil
Tomando de apoyo dicho proyecto, se ha comparado espacial y
temporalmente distintos indicadores obtenidos con Landsat y Modis. El análisis
se ha realizado tanto a nivel de cuenca (Cuenca del Río Segura), comarca
(Campo de Cartagena) y parcela de cultivo (Villa Antonia). Los datos se
presentan en el Anexo II y los mapas correspondientes figuran en el Anexo III.
Desde los resultados obtenidos, se puede interpretar:
• Análisis a nivel de parcela
Analizando la Temperatura de la Superficie Terrestre (LST), los valores de
MODIS son superiores a los de Landsat. De las fechas seleccionadas para el
estudio, tres de ellas presentan nubes para Landsat (20100929, 20101031 y
20110511). Se observa que eliminando la última fecha, se obtiene un mejor
ajuste para LST. En general, el contraste de LST se considera satisfactorio.
Figura 31: Correlación LST MODIS-Landsat
Para NDVI una diferencia apreciable entre los valores de Landsat y Modis
principalmente para las dos primeras fechas, correspondientes a 20090214 y
20090606. En estas fechas la vegetación es menos vigorosa, quizás porque el
cultivo se encuentre en fase de crecimiento. Quitando estos dos valores se
observa un mejor ajuste de los datos a la recta de regresión. Esta divergencia
también podría deberse a la diferente resolución de ambos satélites. En el caso
de Landsat al tener mayor resolución espacial, existen píxeles con sólo
vegetación. Sin embargo MODIS tiene menor resolución, y los pixeles están
mezclados con otros usos del suelo.
50
PFC
Comparando los valores para NDVI y TNDVI (Figura 32), se observa
igualmente una notable diferencia en los valores obtenidos, MODIS subestima
para el caso de NDVI, sin embargo para el indicador TNDVI se obtiene lo
contrario (sobreestima).
Figura 32: Progresiones lineales de NDVI y TNDVI
Realizando similares análisis entre los indicadores SAVI y MSAVI, se obtiene
similares rectas de ajuste (Figura 33).
Figura 33: Progresiones lineales de SAVI y MSAVI
51
Josefa Esparza Gil
• Análisis a nivel de comarca
Para el Campo de Cartagena se ha realizado la diferencia Modis-Landsat de
los mapas obtenidos para cada uno de los indicadores. Los mapas a los que se
hace referencia se presentan en el Anexo IV.
Para albedo, en la fecha 20090214, correspondiente a invierno, se aprecia
valores negativos (Figura 34). Es decir, los valores de albedo de MODIS son
menores a los obtenidos para Landsat. Sin embargo en primavera los valores
son positivos (los valores de Modis son superiores a Landsat).
PRIMAVERA
INVIERNO
Figura 34: Imágenes de Albedo del Campo de Cartagena
Para NDVI, la diferencia es notable entre mapas de invierno con respecto a
primavera-verano
(Figura
35).
Invierno
presenta
valores
positivos,
representados en verde, sobretodo en las zonas costeras. Es en estas zonas,
donde se localizan las mayores altitudes y mayor humedad por la influencia del
mar. MODIS obtiene mayores valores de NDVI, quizás por la existencia de masa
forestal en el sur. En zonas llanas, se observan valores bajos de NDVI.
52
PFC
NDVI_20090214 INVIERNO
NDVI_20100508 PRIMAVERA
Figura 35: Imágenes de NDVI del Campo de Cartagena
Sin embargo, para los mapas de primavera-verano, las diferencias son
menores. Se obtienen mapas muy similares para ambas estaciones. Los valores
negativos representados en el mapa con pixeles azules. Se debe a que Landsat
obtiene valores de NDVI muy altos, pixeles con sólo vegetación, sin ningún otro
uso del suelo.
Para el indicador EVI, en el mapa correspondiente a la estación de invierno,
se obtienen valores positivos (Figura 36). EVI obtenido con MODIS es superior
a EVI de Landsat. Para la estación de verano, los valores son similares, apenas
existe diferencia Modis-Landsat, principalmente donde se localizan gran parte
de las zonas cultivadas, representadas en azul claro.
EVI_20090214 INVIERNO
EVI_20110628 VERANO
Figura 36: Imágenes de EVI del Campo de Cartagena
53
Josefa Esparza Gil
Al analizar el contraste SAVI MODIS-Landsat se observa valores positivos
para invierno (Figura 37), predominando los colores ocres. Sin embargo para el
resto de estaciones ganan espacio las tonalidades de verdes, que se
corresponde con los valores negativos. Esto se debe a un mayor SAVI de
Landsat con respecto al obtenido con MODIS.
SAVI_20090214 INVIERNO
SAVI_20110628 VERANO
Figura 37: Imágenes de SAVI del Campo de Cartagena
Para MSAVI a excepción de un valor correspondiente a otoño, todos los
valores obtenidos de la diferencia son negativos, es decir los valores de Landsat
son superiores a MODIS.
En general se observa que los indicadores obtenidos con MODIS son
superiores a los de Landsat en invierno. Para verano las diferencias MODISLandsat son menores, aunque se observan mayores valores de Landsat.
54
PFC
5 CONCLUSIONES
Con la realización de este proyecto se ha conseguido adquirir conocimientos
sobre el uso de un SIG, sobre técnicas de teledetección satelital, desarrollo de
habilidades en técnicas de datos espacio-temporales, descarga, uso y
reproyección de imágenes satelitales y generación de indicadores basados en
teledetección. Por lo que se puede deducir que:
1. Las imágenes satelitales del sensor MODIS son una herramienta de gran
valor e importancia para los proyectos medio ambientales en Ingeniería
Civil por su libre acceso. Es fundamental conocer las potencialidades de
los productos ofrecidos por la NASA.
2. El sensor MODIS ha transformado la idea acerca de los fenómenos
planetarios, gracias a la obtención de información del océano, atmósfera,
tierra y criosfera, ofreciendo datos desde los que se pueden realizar
estudios bastante precisos.
3. La utilización de un SIG, maximiza las posibilidades de aprovechamiento
de los datos derivados desde imágenes satelitales, así como optimiza la
calidad de los resultados en el procesamiento de la información.
4. Un inconveniente al utilizar sensores pasivos es la cobertura nubosa, o la
falta de disponibilidad de imágenes debido a errores (principalmente
errores
de
captura)
que
inutiliza
muchas
imágenes
perdiendo
continuidad y afectando a la periodicidad.
5. La obtención de parámetros biofísicos, a partir de información
proveniente de sensores remotos, permite el seguimiento y vigilancia de
la dinámica espacio-temporal de la vegetación de manera eficiente y
económica.
55
Josefa Esparza Gil
6. Otro hándicap comprende a la resolución espacial, reñida con la
resolución temporal. Ya que a más detalle de píxel, la resolución
temporal es menor afectando a la periodicidad de paso del satélite.
7. Resulta difícil comparar MODIS-Landsat por las diferentes resoluciones
(espacial, temporal y sobretodo en la espectral). En lo relativo a la
resolución espectral, la ventana de observación es diferente por el
desigual ancho de banda para ambos satélites, siendo mayor el ancho de
banda de Landsat. En la resolución espacial, Landsat puede observar
pixeles con sólo vegetación, mientras que en MODIS los pixeles están
mezclados con otros usos del suelo.
8. Del contraste entre índices de vegetación a nivel de cuenca, podemos
deducir mejores resultados para NDVI y EVI. Estos indicadores obtienen
una distribución más realista que los índices SAVI y MSAVI, ya que
refleja mejor la distribución espacial de la vegetación.
9. Entre los índices SAVI y MSAVI, se obtienen mejores resultados para el
indicador MSAVI. Este indicador elimina la necesidad de calcular la línea
de suelo, y con ello la necesidad conocer las características del suelo
(tipo de vegetación, densidad, …)
10. Para TVDI y VTCI se tienen resultados similares, valores elevados de
humedad en la zona de la costa por la influencia del mar, y también en
la cabecera de la cuenca (es donde se registran las precipitaciones más
elevadas y temperaturas más bajas).
11. De los triángulos LST-NDVI obtenidos, se puede interpretar que en los
meses secos, especialmente en verano, se produce un cambio de
pendiente del borde húmedo. La pendiente positiva, refleja elevada
temperatura superficial para valores altos de NDVI. Este hecho puede
indicar estrés en la vegetación, ya que aunque existe elevada
temperatura superficial también presenta elevado NDVI.
56
PFC
12. Se observa que los valores de los indicadores calculados con MODIS en
invierno son superiores a los calculados con Landsat. Para verano las
diferencias MODIS-Landsat son menores, aunque se observan mayores
valores de Landsat.
57
Josefa Esparza Gil
58
PFC
6 BIBLIOGRAFÍA
Chuvieco E., 1995. Fundamentos de Teledetección Espacial. Rialp. Madrid.
Chuvieco E.Estimación del Estado Hídrico de la Vegetación a partir de sensores
de baja y alta resolución. Geofocus (Artículos), nº 1, 1-16.
Confederacion Hidrográfica del Segura [On line]. www.chsegura.es
Fedra, K., Kubat, M. 1993. Hybrid GIS and Remote Sensing in Environmental
Applications. International Institute for Applied Systems Analysis RR-93-20.
Flores, A., Pérez, F., 2007. Comparación de tres modelos de estimación de
Evapotranspiración Mediante Imágenes Modis. Teledetección, hacia un mejor
entendimiento de la dinámica global y regional, Ed. Martin.
Flores V., Campanero A., y Escudero R., 2001. El sistema de vigilancia y alerta
temprana de situaciones de sequía agrícola del M.A.P.A. a partir de análisis
de datos diarios. Teledetección, Medio Ambiente y Cambio Global, 86-90.
García A.G., Campos, A.N., Di Bella, C.M., 2000. Estimación de ET a partir del
uso de sensores remotos e información meteorológica usando el método
propuesto por Jackson. Fórmula para el cálculo de albedo, Manual de
aplicación.
García Galiano, S.G., Baille, A., González, M.M., Martínez, V., Urrea, M.,
Hernández, Z., Nortes, P., y Tanguy, M., 2007. Desarrollo y aplicación de
indicadores de alerta temprana frente a saquías a escala regional desde
MODIS. Teledetección, Hacia un mejor entendimiento de la dinámica global y
regional. Ed. Martin, 223-229.
García, S., Gonzálex Real, M.M., Baille, A. and Martínez Álvarez, 2006.
Desarrollo de un sistema de alerta temprana frente a sequías a nivel regional
para las cuencas del Río Júcar y Río Segura. Teledetección, hacia un mejor
entendimiento de la dinámica global y regional. Ed. Martin, 220-223.
García, S.G., 2008. Apuntes de Hidrología (ITOP). Universidad Politecnica de
Cartagena.
Gilabert, M.A., González-Piqueras,J., García-Haro, F.J., Meliá,J. 2002. A
generalizad soil-adjusted vegetation index. Remote Sensing of Environment,
303-310.
Haboudane,D., Miller,J., Pattey,E., Zarco-Tejada,P., Strachan,I. B., 2004.
Hyperspectral Vegetation Indices and novel algorithms for predicting green
LAI of crop canopies: Modeling and validation in the context of precision
agriculture. Remote Sensing of Environment, 337-352.
Huete, A.R., 1988. A Soil Adjusted Vegetation Index. (SAVI), Remote Sensing of
Environment, 25, 295-309.
NCGIA, (Natural Centre of Geographic Information and Analysis),1990.
59
Josefa Esparza Gil
Palomo, M., Ormeño, S., Rincón, J.A., El Formato HDF. Un modelo de
ambiental.
Universidad
Politécnica
de
Madrid.
http://www.conama10.es/conama10/download/files/CT%202010/Paneles/40
852_panel.pdf
Pinilla, C. 1995. Elementos de Teledetección. Ra-Ma. Madrid.
Poveda, I., González, I., Diaz, A., Balbontin, C., 2009. Curso de especialista en
SIG y Teledetección. Universidad de Castilla La Mancha. Instituto de
desarrollo regional. On line
Qi,J., Chehbouni,A., Huete,A.R., Kerr,Y.H. and Sorooschian,S. 1994. A Modified
Soil Adljusted Vegetation Index. Remote Sensing of Environment. 48:119126.
Reca,J., Medina,J.L., Camacho,E., López,R. y Roldán,J. Aplicación de las
técnicas de Teledetección satelital y SIG a la determinación y análisis de
mapas de evapotranspiración, Ingeniería del agua, vol.6, nº1, 63-68.
Rondeaux, G.; Steven, M.; and Baret. B., Optimization of Soil-Adjusted
Vegetation Indices.
Sandholt I., Rasmussen K. and Andersen, J., 2002, A simple interceptation of
the surface temperature, vegetation index space for assessment of surface
moisture, 79 (2-3), 213-224.
Schott, J., 2007. Remote Sensing: The Image Chain Approach. 2 ed. New York
Us. Oxford University Press.
Shuling Liang, 2000. Narrowband to broadband conversions of land surface
albedo, Algorithms. Remote Sensing of Environment, 76, 213-238.
Vermote, E. 2008, Modis Land Surface Reflectance Science Computing Facility,
Prepared by E.F. Vermote and S.Y. Kotchenova, Versión 1.1 (on
line)http://modis-sr.ltdri.org
Introducción
a
los
SIG(online).
http://www.geogra.uah.es/gisweb/1modulosespanyol/IntroduccionSIG/GISM
odule/GISTheory.htm
MOD11A1
Daily
LST
(on
line).
http://www.icess.ucsb.edu/modis/LstUsrGuide/usrguide_1dtil.html
60
PFC
ANEXO I. Triángulos LST-NDVI para Modis y Landsat.
Triángulos LST-NDVI MODIS
LST_NDVI2009045_2009049
LST_NDVI2009157_2009161
LST_NDVI2009253_2009257
LST_NDVI_2010128_2010129
LST_NDVI_2010144_2010145
LST_NDVI_2010208_2010209
LST_NDVI_2010272_2010273
LST_NDVI_2011131_2011137
61
Josefa Esparza Gil
LST_NDVI_2011179_2011185
Tabla AI .1: Triángulos LST-NDVI para MODIS
FECHAS
a
b
a´
LSTNDVI 2009045 2009049 26.062 -12.939 4.318
b´
Ts Max Ts Min
2.596
26.062 5.688
LSTNDVI 2009157 2009161 45.409 -23.872 23.535 -10.235 45.409 19.744
LSTNDVI 2009253 2009257 42.257 -20.327 21.048 -0.136
42.257 21.280
LSTNDVI 2010128 2010129 38.943 -23.491 14.412 -5.134
38.943 12.112
LSTNDVI 2010144 2010145 42.467 -23.485 24.655 -12.180 42.467 19.211
LSTNDVI 2010208 2010209 44.635 -19.782 22.896 5.198
44.635 26.097
LSTNDVI 2010272 2010273 38.998 -18.211 24.010 -8.289
38.998 20.276
LSTNDVI 2011131 2011137 37.730 -19.311 13.538 0.626
37.730 14.043
LSTNDVI 2011179 2011185 46.320 -18.270 25.389 7.915
46.320 29.430
Tabla AI I .2: Triángulos LST-NDVI para Landsat
Fechas
a
b
a’
b’
Ts max
Ts min
20090214
30.726
-27.190
-5.881
26.839
30.726
2.620
20090606
48.183
-20.104
6.858
32.085
48.183
17.006
20090910
47.221
-18.186
-14.553
58.802
47.221
9.025
20100508
41.643
-18.964
-1.638
25.434
41.643
8.481
20100524
45.687
-20.798
10.356
11.950
45.687
16.877
20100727
46.830
-20.527
13.616
13.483
46.830
20.299
20100929
41.179
-24.865
-2.334
31.284
41.179
11.248
20101031
25.142
-13.971
-4.729
11.607
25.142
23.919
20110511
46.001
-19.207
-10.369
29.098
46.001
3.207
20110628
61.203
-27.789
24.682
6.516
61.203
27.944
62
PFC
Triángulos LST-NDVI Landsat
LST_NDVI_20090214
LST_NDVI_20090910
LST_NDVI_20090929
LST_NDVI_20100508
LST_NDVI_20100524
LST_NDVI_20100727
LST_NDVI_20101031
63
ANEXO II. Evolucion historica de Precipitación media mensual.
Figura AII.1: Evolucion historica de Precipitacion media mensual.
Fuente: Confederación Hidrográfica del Segura (CHS)
64
PFC
65
ANEXO III: Contraste de indicadores para la parcela de cultivo
de Villa Antonia
LST
FECHAS
LANDSAT
MODIS
LST º C
20090214 12,6949753 18,5601152
50
20090606 33,4153771 34,2258631
26,07092
20100524 24,8441472 33,2047626
20100727 28,8863668 32,2559261
MODIS
20100508 25,6445599
y = 0,5948x + 14,618
R² = 0,7752
40
30
20
20100929 22,2578915 29,8019543
10
20110511 14,3666019 25,4966659
0
0
10
20110628 37,2946471 35,9258625
20
30
40
50
LANDSAT
NDVI
FECHAS
LANDSAT
MODIS
20090214 0,33145546 0,42724905
0,8
20090606 0,28131411 0,36090278
0,7
20100727 0,48187567 0,36271807
20100929 0,44958091
0,3129996
20101031 0,39726998 0,57682327
MODIS
20100524 0,35561721 0,33541483
y = -0,1139x + 0,4265
R² = 0,0113
0,6
20090910 0,38778642 0,30413666
20100508 0,48347911 0,35226556
NDVI
0,5
0,4
0,3
0,2
0,1
0
0
0,2
0,4
0,6
LANDSAT
20110511 0,47469828 0,38970396
20110628 0,48092367 0,37320626
66
0,8
PFC
TNDVI
FECHAS
LANDSAT
MODIS
TNDVI
20090214 1,25454032 1,26367159
20090606 1,22301906 1,51757663
1,6476101
20100508 1,47383862
1,538599
20100524 1,20245036 1,49075188
20100727 1,40324148
1,539587
MODIS
20090910 1,41278381
y = 0,6128x + 0,6774
R² = 0,4228
1,5
1
0,5
20100929 1,38543317 1,47690287
20101031 1,56800448
1,7015065
20110511 1,47949581 1,51913753
0
0
0,5
1
1,5
LANDSAT
20110628 1,48563238 1,58993631
ALBEDO
FECHAS
LANDSAT
MODIS
20090214 0,23002244 0,15376337
20090606 0,18046089 0,19120674
20090910 0,16996514 0,18873825
20100508 0,17577132 0,21611447
20100524 0,20286802 0,22121933
20100727 0,20057262 0,22886122
20100929 0,20106563 0,19058508
20101031 0,13024798 0,17669905
20110511 0,17784804 0,23707565
20110628 0,17396257 0,21684592
67
Josefa Esparza Gil
RDWI
FECHAS
LANDSAT
MODIS
20090214 0,25124063 0,25649902
20090606 0,18753724 0,23978479
20090910
0,2597249 0,19943992
20100508 0,34307844 0,24888267
20100524 0,26006007
20100727
0,239293
0,3613493 0,26387073
20100929 0,33669557 0,20680163
20101031 0,23149195 0,37584134
20110511 0,33243136
0,2888336
20110628 0,33334501
0,262183
EVI
FECHAS
LANDSAT
MODIS
20090214 0,23819721 0,31246769
20090606
0,1715313 0,31323055
20090910 0,29777683
0,2524159
20100508 0,40885353 0,34135434
20100524 0,30599393 0,32960138
20100727 0,42167554 0,35699154
20100929 0,39421051
0,2672487
20101031 0,25593855 0,50291786
20110511 0,40939056 0,40847628
20110628 0,37506071 0,34828556
68
PFC
SAVI
FECHAS
LANDSAT
MODIS
20090214 0,26560257 0,26842916
20090606 0,19842603 0,25380657
20090910 0,27432383 0,21073351
20100508 0,36379311 0,26393857
20100524 0,27507571 0,25374514
20100727 0,38236167 0,27975375
20100929 0,35640749 0,21878883
20101031 0,24069693 0,39722757
20110511 0,35247344 0,30598955
20110628
0,3533994 0,27802272
MSAVI
FECHAS
LANDSAT
MODIS
20090214 0,25217487 0,24259285
20090606 0,18289047 0,23307009
20090910 0,25658369 0,19090808
20100508 0,35015722 0,24614824
20100524 0,26289107 0,23657512
20100727 0,37461643 0,26434115
20100929 0,34577621 0,19913801
20101031 0,21523459 0,38015425
20110511 0,33711615 0,29096124
20110628 0,33991157 0,26158798
69
Josefa Esparza Gil
ANEXO IV: Mapas indicadores Cuenca Hidrográfica del Segura
LST
INVIERNO
LST_2009045_1_1
PRIMAVERA
LST_2009157_1_1
LST_2010144_1_1
LST_2010128_1_1
LST_2011131_1_1
70
PFC
OTOÑO
LST_2010272_1_1
VERANO
LST_2009253_1_1
LST_2010208_1_1
LST_2011179_1_1
71
Josefa Esparza Gil
NDVI
INVIERNO
NDVI_2009049
PRIMAVERA
NDVI_2009161
NDVI_2010145
NDVI_2010129
NDVI_2011137
72
PFC
OTOÑO
NDVI_2010273
NDVI_2010329
VERANO
NDVI_2009257
NDVI_2010209
NDVI_2011185
73
Josefa Esparza Gil
EVI
INVIERNO
REFLEC_2009049_050_08_EVI
PRIMAVERA
REFLEC_2009161_050_08_EVI
REFLEC_2010129_050_08_EVI
REFLEC_2010145_050_08_EVI
REFLEC_2011137_050_08_EVI
74
PFC
OTOÑO
REFLEC_201027_050_08_EVI
REFLEC_2010329_050_08_EVI
VERANO
REFLEC_2009257_050_08_EVI
REFLEC_2010209_050_08_EVI
REFLEC_2011185_050_08_EVI
75
Josefa Esparza Gil
SAVI
INVIERNO
SAVI_2009049
PRIMAVERA
SAVI_2009161
SAVI_2010129
SAVI_2010145
SAVI_2011137
76
PFC
OTOÑO
SAVI_2010273
SAVI_2010329
VERANO
SAVI _2009257
SAVI_2010209
SAVI_2011185
77
Josefa Esparza Gil
MSAVI
INVIERNO
REFLEC_2009049_050_08_MSAVI
PRIMAVERA
REFLEC_2009161_050_08_MSAVI
REFLEC_2010129_050_08_MSAVI
REFLEC_2010145_050_08_MSAVI
REFLEC_2011137_050_08_MSAVI
78
PFC
OTOÑO
REFLEC_2010329_050_08_MSAVI
REFLEC_2010273_050_08_MSAVI
VERANO
REFLEC_2009257_050_08_MSAVI
REFLEC_2010209_050_08_MSAVI
REFLEC_2011185_050_08_MSAVI
79
Josefa Esparza Gil
ALBEDO
INVIERNO
ALBEDO_2009049
PRIMAVERA
ALBEDO_2009161
ALBEDO_2010129
ALBEDO_2010145
ALBEDO_2011137
80
PFC
OTOÑO
ALBEDO_2010273
ALBEDO_2010329
VERANO
ALBEDO_2009257
ALBEDO_2010209
ALBEDO_2011185
81
Josefa Esparza Gil
VTCI
INVIERNO
VTCI_2009145
PRIMAVERA
VTCI_2009157
VTCI_2010144
VTCI_2010128
VTCI_2011131
82
PFC
OTOÑO
VTCI_2010272
VERANO
VTCI_2009253
VTCI_2010208
VTCI_2011179
83
Josefa Esparza Gil
TVDI
INVIERNO
TVDI_2009045
PRIMAVERA
TVDI_2009157
TVDI_2010128
TVDI_2010144
TVDI_2011131
84
PFC
OTOÑO
TVDI_2010272
VERANO
TVDI_2009253
TVDI_2010208
TVDI_2011179
85
Josefa Esparza Gil
ANEXO V: Mapas de los indicadores hidrológicos para el Campo
de Cartagena
ALBEDO CAMPO CARTAGENA
INVIERNO
ALBEDO_20090214
PRIMAVERA
ALBEDO_20090606
ALBEDO_20100508
ALBEDO_20100524
ALBEDO_20110511
86
PFC
OTOÑO
ALBEDO_20100929
ALBEDO_20101031
VERANO
ALBEDO_20090910
ALBEDO_20100727
ALBEDO_20110628
87
Josefa Esparza Gil
NDVI CAMPO DE CARTAGENA
INVIERNO
NDVI_20090214
PRIMAVERA
NDVI_20090606
NDVI_20100508
NDVI_20100524
NDVI_20110511
88
PFC
OTOÑO
NDVI_20101031
NDVI_20100929
VERANO
NDVI_20090910
NDVI_20100727
NDVI_20110628
89
Josefa Esparza Gil
EVI CAMPO DE CARTAGENA
INVIERNO
EVI_20090214
PRIMAVERA
EVI_20090606
EVI_20100508
EVI_20100524
EVI_20110511
90
PFC
OTOÑO
EVI_20101031
EVI_20100929
VERANO
EVI_20090910
EVI_20100727
EVI_20110628
91
Josefa Esparza Gil
SAVI CAMPO DE CARTAGENA
INVIERNO
SAVI_20090214
PRIMAVERA
SAVI_20090606
SAVI_20100524
SAVI_20100508
SAVI_20110511
92
PFC
OTOÑO
SAVI_20101031
SAVI_20100929
VERANO
SAVI_20090910
SAVI_20100727
SAVI_20110628
93
Josefa Esparza Gil
MSAVI CAMPO DE CARTAGENA
INVIERNO
MSAVI_20090214
PRIMAVERA
MSAVI_20090606
MSAVI_20100508
MSAVI_20100524
MSAVI_20110511
94
PFC
OTOÑO
MSAVI_20090929
MSAVI_20101031
VERANO
MSAVI_20090910
MSAVI_20100727
MSAVI_20110628
95
Josefa Esparza Gil
96